CN114626382B - 一种面向下水管道病害自动识别方法 - Google Patents

一种面向下水管道病害自动识别方法 Download PDF

Info

Publication number
CN114626382B
CN114626382B CN202210512941.8A CN202210512941A CN114626382B CN 114626382 B CN114626382 B CN 114626382B CN 202210512941 A CN202210512941 A CN 202210512941A CN 114626382 B CN114626382 B CN 114626382B
Authority
CN
China
Prior art keywords
pipeline
defect
attributes
sewer
disease
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210512941.8A
Other languages
English (en)
Other versions
CN114626382A (zh
Inventor
梅饶高
王铁鑫
钱申鹏
岳涛
严欣华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Dnet System Technology Co ltd
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing Dnet System Technology Co ltd
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Dnet System Technology Co ltd, Nanjing University of Aeronautics and Astronautics filed Critical Nanjing Dnet System Technology Co ltd
Priority to CN202210512941.8A priority Critical patent/CN114626382B/zh
Publication of CN114626382A publication Critical patent/CN114626382A/zh
Application granted granted Critical
Publication of CN114626382B publication Critical patent/CN114626382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明为一种面向下水管道病害自动识别方法，包括：S1确定下水管道规程领域中的专业术语、各术语的概念，确定每个概念的属性以及各概念之间的关系；S2根据概念定义类，并确定类的层次结构，定义类的属性，添加属性的限制，构建下水管道的本体模型，并根据行业标准创建SWRL推理规则；S3获取下水管道的图片信息，根据下水管道的图片信息创建下水管道本体模型的病害实例；S4创建的SWRL推理规则，得到病害类型、病害等级和缺陷分值，代入公式计算得到结构性管道损坏状况参数，实现对下水管道病害的自动识别。本发明将实现自然语言文本到本体知识模型的转换，节省了在病害识别过程中大量人力的参与，提高了对排水管道病害识别的效率。

Description

一种面向下水管道病害自动识别方法
技术领域
本发明属于领域本体建模领域，具体涉及一种面向下水管道病害自动识别方法。
背景技术
由于城镇排水管道规程文档包含的内容较多，且涉及到大量管道领域的术语和符号，在确定命名实体和实体关系上需要过滤和排除不相关的内容，并且需要区分实体的边界是否正确，实体的类型是否标注正确；而在实体关系抽取上，管道缺陷的分类和定义涉及的场景比较多元化，语义关系实例更复杂，涉及更多的是多元关系，嵌套关系，而非简单的句子级的二元关系提取，为了保证关系提取准确性，需要人工参与判断。
SWRL是一种基于语义网的表示规则的语言，其结合了本体描述语言和规则标记语言（Rule Markup Language, RuleML）各自的优点。相比于RuleML，SWRL的优势在于它可以直接使用本体中的词汇，能够很好地和本体结合，然后导入推理引擎进行推理。另外，SWRL拥有数学、字符串、逻辑、时间等多种类型的Bulit-in（内置原子），使得规则具有丰富的语义关系表达能力。SWRL是以语义的方式呈现规则的一种语言，其规则部分的概念由RuleML演变而来，再结合OWL本体形成，由于具有更强的逻辑表达能力和推理能力。
由于城镇排水管道规程文档的复杂性，未见将本体模型结合语义推理技术应用于城镇排水管道病害识别领域中，同时，基于现有人工识别管道病害效率低且具有主观性，将本体模型结合语义推理技术应用于管道病害识别成为一个技术难点，相信突破后必将会取得非常好的识别效果，并且方便知识复用和共享，避免人工方式耗时耗力，提升识别效率和准确性。
发明内容
发明目的：为了解决现有技术存在的问题，提供一种面向下水管道病害自动识别的知识模型，用以解决城镇排水管道领域管道病害自动识别的需求；实现由《城镇排水管道检测与评估技术规程(CJJ 181-2012)》行业标准的自然语言文本信息到排水管道领域本体知识模型的转换，提高了对城镇排水管道病害识别的效率。
本发明提供一种面向下水管道病害自动识别方法，所述方法包括如下步骤：
S1，确定下水管道规程领域中的专业术语、各术语的概念，确定每个概念的属性以及各概念之间的关系；
S2，根据步骤S1中抽取出的概念定义类，并确定所述类的层次结构，定义所述类的属性，添加属性的限制，构建下水管道的本体模型，并根据行业标准创建SWRL推理规则；
S3，获取下水管道的图片信息，根据下水管道的图片信息创建下水管道本体模型的病害实例；
S4，基于行业标准创建的SWRL推理规则，自动推理得到病害类型、病害等级和缺陷分值，代入公式计算得到结构性管道损坏状况参数，实现对下水管道病害的自动识别。
进一步的，所述步骤S1具体包括以下内容：
步骤1.1、根据行业标准从自然语言文本数据集中识别出命名实体，将所述命名实体分类到预设的定义类别中；
步骤1.2、根据行业标准确定各概念的属性以及概念之间的关系，提取出所述命名实体间的关联关系。
进一步的，所述步骤1.2包含以下过程：
将所述下水管道中的实际状态按照三元组方法进行标注，所述三元组为采用三个命名实体表达下水管道中的实际状态；
根据行业标准得到所述三元组中的命名实体的关系，提取所述命名实体本身的属性，将多个概念联系起来。
进一步的，所述步骤S2具体包括如下内容：
根据信息抽取出的命名实体，划分类及其层次结构，通过Protege构建类，类的对象属性和数据属性，添加相关属性限制，对于对象属性和数据属性需要设置其定义域和值域。
更进一步的，SWRL推理过程为，输入所述实例，在所述实例中添加所述管道的设定属性值，获取所述管道属性值的测量值，根据所述实例以及管道属性值的测量，通过SWRL规则得到管道缺陷的风险。
进一步的，所述结构性管道损坏状况参数具体为：
Figure 587737DEST_PATH_IMAGE001
式中：Pi为缺陷分值，n为下水管段的结构性缺陷数量，n1为纵向净距大于第一设定长度的缺陷数量，n2为纵向净距大于第二设定长度且不大于第一设定长度的缺陷数量。
Figure 778547DEST_PATH_IMAGE002
为纵向净距大于第一设定长度的缺陷分值，
Figure 471697DEST_PATH_IMAGE003
为纵向净距大于第二设定长度 不大于第一设定长度的缺陷分值；
通过SWRL推理规则推理得出对应管道的缺陷类型和缺陷分值；
Figure 2035DEST_PATH_IMAGE004
为结构性缺陷影响系数；
Smax为管段结构性缺陷中损坏最严重处的管段损坏状况参数；
S为管段损坏状况参数，按缺陷点数计算的平均分值。
作为本申请的一种优选实施方案，当缺陷的纵向间距大于第二设定长度且不大于 第一设定长度时，
Figure 755228DEST_PATH_IMAGE005
。
进一步的，下水管道病害情况通过管段结构性缺陷参数体现，所述管段结构性缺陷参数按下列公式计算得到：
Figure 885864DEST_PATH_IMAGE006
；
公式中：F为管段结构性缺陷参数；
Smax为管段结构性缺陷中损坏最严重处的管段损坏状况参数；
S为管段损坏状况参数，按缺陷点数计算的平均分值。
有益效果
与现有技术相比，本发明的优点在于：
（1）本发明实现由下水管道行业标准的自然语言文本知识转化为本体知识模型，便于知识的共享和复用；
（2）本发明使得下水管道的病害识别可以通过计算机知识推理自动得出，有效节省了人力成本；
（3）城镇排水管道病害识别安全管理是一种知识密集型任务，本发明通过构建下水管道知识模型让计算机拥有理解下水管道行业标准的能力，提高了对排水管道病害识别的效率。
附图说明
图1为本发明实施例中构建管道规程本体知识模型的整体流程图；
图2为本发明实施例中长水管道的整体架构图。
具体实施方式
下面结合附图和具体实施方式，进一步详细说明本发明。本发明描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明所保护的范围。
本发明提供一种面向下水管道病害自动识别方法，如图1所示，所述方法包括如下步骤：
S1，确定下水管道规程领域中的专业术语、各术语的概念，确定每个概念的属性以及各概念之间的关系；
S2，根据步骤S1中抽取出的概念定义类，并确定所述类的层次结构，定义所述类的属性，添加属性的限制，构建下水管道的本体模型，并根据行业标准创建SWRL推理规则；
S3，获取下水管道的图片信息，根据下水管道的图片信息创建下水管道本体模型的病害实例；
S4，基于行业标准创建的SWRL推理规则，自动推理得到病害类型、病害等级和缺陷分值，代入公式计算得到结构性管道损坏状况参数，实现对下水管道病害的自动识别。
进一步的，所述步骤S1具体包括以下内容：数据处理和存储-信息抽取；
步骤1.1、根据行业标准从自然语言文本数据集中识别出命名实体，将所述命名实体分类到预设的定义类别中；
步骤1.2、图2所示，根据行业标准确定各概念的属性以及概念之间的关系，提取出所述命名实体间的关联关系。
首先将《城镇排水管道检测与评估技术规程(CJJ 181-2012)》行业标准的PDF文本文档利用PDFReader将类图像格式的文档转化为文本文档；
将文档进行分章节分段落处理，舍弃无意义的段落，主要保留有关管道自身属性，管道缺陷及定义和管道状况评估有关的章节段落；
将所述下水管道中的实际状态按照三元组方法进行标注，所述三元组为采用三个命名实体表达下水管道中的实际状态；
根据行业标准得到所述三元组中的命名实体的关系，提取所述命名实体本身的属性，将多个概念联系起来。对文档进行信息抽取，以“管道内壁受酸性物质侵蚀而流失或剥落，出现麻面或露出钢筋”为例：
三元组标注，可以标注（管道内壁，受侵蚀，酸性物质）、（管道内壁，出现，麻面）和（管道内壁，露出，钢筋）为三个三元组，其中“管道内壁”、“受侵蚀”、“酸性物质”三个词语和“管道内壁”、“出现”、“麻面”和“管道内壁”、“露出”、“钢筋”分别构成一个三元组（triple）；
实体关系抽取，“管道内壁”，“酸性物质”，“麻面”，“钢筋”分别为一个实体，而“受侵蚀”表示“管道内壁”，“酸性物质”这两个实体间的实体关系；“出现”表示“管道内壁”，“麻面”这两个实体间的实体关系；“露出”表示“管道内壁”，“钢筋”这两个实体间的实体关系。
实体属性抽取，例如文档出现的词语“管道直径”“管道内壁厚度”“弧长60°”等均可作为“管道”这个实体的属性，即“直径”，“内壁厚度”，“弧长”均为实体属性；
SPO三元组抽取，例如文档中的语句“管道内壁有附着物”，则“管道内壁”、“有”、“附着物”分别是一个句子的主语（subject）、谓语（predicate）、宾语（object）进行数据处理后，输出如下形式的JSON文件：
{
"NoneTitle_1":{
"content":
"postion":
"Typeface":
"size":
}
}
JSON中，每一个对象中包含了4个字段，包括：
"content"：表示这个对象的文本内容；
"postion"，表示这个对象在文本中的位置；
"Typeface"，表示文本的字体；
"size":"2"，表示文本的字体大小；
通过机器学习LSTM-CRF模型，结合人工分析，进行实体识别。
S2，根据步骤S1中抽取出的概念定义类，并确定所述类的层次结构，定义所述类的属性，添加属性的限制，构建下水管道的本体模型，并根据行业标准创建SWRL推理规则；
本体需求分析：构建的本体能够通过推理规则进行病害自动推理；
确定本体的领域和范围：本体领域为城镇下水管道，范围为管道的病害缺陷定义和管道评估；
考虑重用现有本体：查看现有领域本体库中是否有城镇下水管道领域本体，查看结果暂无相关本体；
列举本体中重要术语：例如“结构性缺陷”、“功能性缺陷”、“修复指数”、“养护指数”、“管段”……；
定义类及其层次结构：
顶层类为管道规程，分为四个子类：管道类型、管道、现象、管道缺陷；
其中管道类型可分为：钢筋混凝土管、铸铁管、玻璃钢管、塑料管、复合管；
管道自身包含多处部位，所以管道类可根据行业标准划分为：支管、主管、接口材料、管口、管道接口、管壁六个子类；
现象是根据行业标准中常见的排水管道缺陷描述定义的，整体上存在以下现象：管道内水面的漂浮物、树根进入管道、外力挤压、接口脱离、异物穿透管壁、管底杂质淤积、支管进入主管、接口位置偏移、管道内壁受侵蚀、管口产生横向偏差、接口材料进入管道、管外的水进入管道、管道内壁上的附着物、管道内影响过流的阻挡物、管道内的遗留物残墙和坝根共15个子类，可以通过管道的具体现象推断出管道对应的管道缺陷类型。
管道缺陷根据行业标准可以划分为功能性缺陷和结构性缺陷，功能性缺陷又可以分为：树桩、结垢、浮渣、沉积、障碍物、残墙坝根六个子类，结构性缺陷又可以分为：破裂、变形、错口、脱节、腐蚀、起伏、渗漏、异物侵入、支管暗接、接口材料脱落十个子类。
上述各种缺陷描述都对应4个缺陷等级和缺陷分值，且有对应的缺陷影响系数。影响系数包含：n ——管段的结构性缺陷数量；
n1——纵向净距大于1.5m的缺陷数量；
n2——纵向净距大于1.0m且不大于1.5m的缺陷数量；
Figure 382704DEST_PATH_IMAGE004
——结构性缺陷影响系数。
Pi1——纵向净距大于1.5m的缺陷分值；
Pi2——纵向净距大于1.0m且不大于1.5m的缺陷分值；
最后，定义类的属性和属性限制，并添加具体的类的实例，创建SWRL推理规则。
S3，获取下水管道的图片信息，根据下水管道的图片信息创建下水管道本体模型的病害实例；
本发明基于SWRL本体推理驱动的Protege实现的知识模型工具，该工具实现使管道缺陷知识可以被计算机理解，并实现管道缺陷的推理。
工具开发在Protege上实现。
工具框架如下：
根据2中定义的类及其层次结构，类的属性和属性限制，可结合本体建模工具Protege来构建本体。
选定顶层类owl：Thing，通过Tools -> Create Class hierarchy创建类的层次结构。
由于Protege更容易识别英文，且便于用英文实现推理，所以将上述中文类层次结构转化为英文，并添加相应的Annotation，其中类用“cls_”开头。
基于行业标准中的缺陷描述和缺陷定义，添加类的属性和属性限制，属性以“pty_”开头。
S4，基于行业标准创建的SWRL推理规则，自动推理得到病害类型、病害等级和缺陷分值，代入公式计算得到结构性管道损坏状况参数，实现对下水管道病害的自动识别。
基于Phenomenon类创建实例，即表示现实场景中管道碰到的实际现状，类及其层次结构关系的OntoGraf。
如，管道的设定属性为额定压力值为0.6Mpa，获取到的管道测量压力值为1Mpa，通过SWRL推理可得知，管道压力已超出额定压力值，存在破裂的可能，并进一步的，根据二者之差得到其破裂缺陷风险系数为1.7。
SWRL推理过程为，输入所述实例，在所述实例中添加所述管道的设定属性值，获取所述管道属性值的测量值，根据所述实例以及管道属性值的测量，通过SWRL规则得到管道缺陷的风险。
推理规则建好后即可进行本体的推理和查询，不过 SWRL Editor 编辑器本身不执行任何推理，需要借助其它推理工具进行推理，文中使用的是 Jess( Java expertsystem shell) 推理引擎。
Jess是基于Java 语言的CLIPS( C Language Integrated Production System)推理机，Rete 算法来处理复杂的多对多匹配问题，它的核心是由事实库、规则库、推理机 3大部分组成，并采用产生式规则作为基本的知识表达模式。
Jess支持正向和逆向推理，是一个性能良好的开放式推理机。基于以上优点，在对SWRL 规则进行推理时，采用 Jess作为推理引擎。
管道规程本体使用 OWL 语言建立后，构造相应的 SWRL规则来弥补 OWL 推理能力的不足，从而形成本体知识库，包括规则库和事实库两方面。通过 Jess 与 SWRL 编辑器集成，把管道规程OWL 本体和 SWRL 规则转换成 Jess事实库和 Jess 规则库，调用 Jess引擎进行推理，并将推理结果送入知识库中形成新的知识。
通过推理可以得到管道的缺陷等级和缺陷分值，结构性管道损坏状况参数应按下列公式计算：
Figure 767549DEST_PATH_IMAGE007
式中：n为下水管段的结构性缺陷数量，n1为纵向净距大于第一设定长度的缺陷数量，n2为纵向净距大于第二设定长度且不大于第一设定长度的缺陷数量。
Pi为缺陷分值；
Figure 426063DEST_PATH_IMAGE008
为纵向净距大于第一设定长度的缺陷分值，
Figure 43995DEST_PATH_IMAGE009
为纵向净距大 于第二设定长度不大于第一设定长度的缺陷分值，缺陷分值Pi为
Figure 78948DEST_PATH_IMAGE008
和
Figure 849457DEST_PATH_IMAGE009
的总称，只要 该处有缺陷，就计算该处的缺陷分值，可通过SWRL推理规则自动推理得出对应管道的缺陷 类型和缺陷分值。
Figure 475611DEST_PATH_IMAGE004
为结构性缺陷影响系数，与缺陷间距相关。当缺陷的纵向间距大于第二设定长 度且不大于第一设定长度时，
Figure 331571DEST_PATH_IMAGE010
。
CCTV管道探测技术通过机器人检测摄像头对排水管道内部的结构、管道状况进行实时录像，通过传感器可以检测得出大于第一设定长度的缺陷数量n1，和大于第二设定长度且不大于第一设定长度的缺陷数量n2。
管段结构性缺陷参数应按下列公式计算：
Figure 419482DEST_PATH_IMAGE011
公式中：F ——管段结构性缺陷参数；
Smax——管段损坏状况参数，管段结构性缺陷中损坏最严重处的分值；
S——管段损坏状况参数，按缺陷点数计算的平均分值；
管道修复指数应按下列公式计算：
Figure 513340DEST_PATH_IMAGE012
；
式中：RI —— 管段修复指数；
K——地区重要性参数；
E——管道重要性参数；
T——土质影响参数。
基于计算出的管段结构性缺陷参数F，管段修复指数RI，可对该管道进行合理的评估，并给出修复建议。

Claims (6)

1.一种面向下水管道病害自动识别方法，其特征在于，所述方法包括如下步骤：
S1，确定下水管道规程领域中的专业术语、各术语的概念，确定每个概念的属性以及各概念之间的关系；
S2，根据概念定义类，并确定类的层次结构，定义类的属性，添加属性的限制，构建下水管道的本体模型，并根据行业标准创建SWRL推理规则；
S3，获取下水管道的图片信息，根据下水管道的图片信息创建下水管道本体模型的病害实例；
S4，基于行业标准创建的SWRL推理规则，推理得到病害类型、病害等级和缺陷分值，代入公式计算得到结构性管道损坏状况参数，实现对下水管道病害的自动识别；
所述SWRL推理规则为：
SWRL推理过程为，输入所述实例，在所述实例中添加所述管道的设定属性值，获取所述管道属性值的测量值，根据所述实例以及管道属性值的测量，通过SWRL规则得到管道缺陷的风险；
所述结构性管道损坏状况参数具体为：
Figure DEST_PATH_IMAGE001
式中：n为下水管段的结构性缺陷数量，n1为纵向净距大于第一设定长度的缺陷数量，n2为纵向净距大于第二设定长度且不大于第一设定长度的缺陷数量；
Figure 522579DEST_PATH_IMAGE002
为纵向净距大于第一设定长度的缺陷分值，
Figure DEST_PATH_IMAGE003
为纵向净距大于第二设定长度不 大于第一设定长度的缺陷分值；
通过SWRL推理规则推理得出对应管道的缺陷类型和缺陷分值；
Figure 596977DEST_PATH_IMAGE004
为结构性缺陷影响系数；
Smax为管段结构性缺陷中损坏最严重处的管段损坏状况参数；
S为管段损坏状况参数，按缺陷点数计算的平均分值。
2.根据权利要求1所述的一种面向下水管道病害自动识别方法，其特征在于：所述步骤S1具体包括以下内容：
步骤1.1、根据行业标准从自然语言文本数据集中识别出命名实体，将所述命名实体分类到预设的定义类别中；
步骤1.2、根据行业标准确定各概念的属性以及概念之间的关系，提取出所述命名实体间的关联关系。
3.根据权利要求2所述的一种面向下水管道病害自动识别方法，其特征在于：所述步骤1.2包含以下过程：
将所述下水管道中的实际状态按照三元组方法进行标注，所述三元组为采用三个命名实体表达下水管道中的实际状态；
根据行业标准得到所述三元组中的命名实体的关系，提取所述命名实体本身的属性，将多个概念联系起来。
4.根据权利要求2所述的一种面向下水管道病害自动识别方法，其特征在于：所述步骤S2具体包括如下内容：
根据信息抽取出的命名实体，划分类及其层次结构，通过Protege构建类，类的对象属性和数据属性，添加相关属性限制，对于对象属性和数据属性需要设置其定义域和值域。
5.根据权利要求1所述的一种面向下水管道病害自动识别方法，其特征在于：当缺陷的 纵向间距大于第二设定长度且不大于第一设定长度时，
Figure DEST_PATH_IMAGE005
。
6.根据权利要求1或5所述的一种面向下水管道病害自动识别方法，其特征在于：下水管道病害情况通过管段结构性缺陷参数体现，所述管段结构性缺陷参数按下列公式计算得到：
Figure 173452DEST_PATH_IMAGE006
；
公式中：F为管段结构性缺陷参数；
Smax为管段结构性缺陷中损坏最严重处的管段损坏状况参数；
S为管段损坏状况参数，按缺陷点数计算的平均分值。
CN202210512941.8A 2022-05-12 2022-05-12 一种面向下水管道病害自动识别方法 Active CN114626382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210512941.8A CN114626382B (zh) 2022-05-12 2022-05-12 一种面向下水管道病害自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210512941.8A CN114626382B (zh) 2022-05-12 2022-05-12 一种面向下水管道病害自动识别方法

Publications (2)

Publication Number Publication Date
CN114626382A CN114626382A (zh) 2022-06-14
CN114626382B true CN114626382B (zh) 2022-10-11

Family

ID=81905243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210512941.8A Active CN114626382B (zh) 2022-05-12 2022-05-12 一种面向下水管道病害自动识别方法

Country Status (1)

Country Link
CN (1) CN114626382B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205921B (zh) * 2023-05-05 2023-09-26 南京航空航天大学 基于Yolov5和Drools的管道病害识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102128351A (zh) * 2010-01-14 2011-07-20 管丽环境技术(上海)有限公司 一种管道功能状况的声纳检测方法
CN106570566A (zh) * 2016-10-28 2017-04-19 安徽农业大学 一种基于本体的茶树虫害知识表示和共享方法
CN110378828A (zh) * 2019-07-26 2019-10-25 北部湾大学 一种风暴潮灾害预案智能预警启动的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722803B (zh) * 2012-05-28 2016-06-22 天津大学 基于本体和规则的物流运输预警方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102128351A (zh) * 2010-01-14 2011-07-20 管丽环境技术(上海)有限公司 一种管道功能状况的声纳检测方法
CN106570566A (zh) * 2016-10-28 2017-04-19 安徽农业大学 一种基于本体的茶树虫害知识表示和共享方法
CN110378828A (zh) * 2019-07-26 2019-10-25 北部湾大学 一种风暴潮灾害预案智能预警启动的方法

Also Published As

Publication number Publication date
CN114626382A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
Sleimi et al. Automated extraction of semantic legal metadata using natural language processing
CN109726293A (zh) 一种因果事件图谱构建方法、系统、装置及存储介质
CN114626382B (zh) 一种面向下水管道病害自动识别方法
CN112100403A (zh) 一种基于神经网络的知识图谱不一致性推理方法
Wang et al. Vision-based method for semantic information extraction in construction by integrating deep learning object detection and image captioning
CN116910633B (zh) 一种基于多模态知识混合推理的电网故障预测方法
CN115330268A (zh) 一种应对矿山灾难的综合性应急指挥方法及系统
CN110019711A (zh) 一种对医学文本数据结构化处理的控制方法及装置
Souili et al. A lexico-syntactic pattern matching method to extract IDM-TRIZ knowledge from on-line patent databases
CN116401376A (zh) 一种面向工艺性检查的知识图谱构建方法及系统
CN113204967A (zh) 简历命名实体识别方法及系统
CN115238197A (zh) 一种基于专家思维模型的领域业务辅助分析方法
Eberhart et al. Automatically extracting subroutine summary descriptions from unstructured comments
CN117151222B (zh) 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质
Müller et al. An interactive explanatory AI system for industrial quality control
CN112528642A (zh) 一种隐式篇章关系自动识别方法及系统
EP3906445A1 (en) Method and system to generate control logic for performing industrial processes
Mei et al. Information Mining from Images of Pipeline Based on Knowledge Representation and Reasoning
CN116205921B (zh) 基于Yolov5和Drools的管道病害识别方法
CN117474457B (zh) 一种危化和工贸设备应急管理执法检查智能辅助系统
CN117332377B (zh) 一种基于深度学习的离散时间序列事件挖掘方法及系统
CN115983245B (zh) 建筑图纸中长文本信息分析方法及装置
Jia et al. LPSST: Improved Transformer Based Drainage Pipeline Defect Recognition Algorithm
Hu et al. Structural deterioration knowledge ontology for supporting adaptive intelligence-based bridge deterioration prediction
CN117454987B (zh) 基于事件自动抽取的矿山事件知识图谱构建方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant